晶泰科技讨论AI for Science：理论巨人如何打通实践最后一公里？

“要是AI for Science是个人，今年该多大？”11月14日，晶泰科技北京创新中心的一场讨论里，几位年轻创业者被抛来这个问题。答案五花八门：有人写“高中”，有人觉得已经念到博士一年级。麻省理工学院博士后毛伟岸的说法更耐人寻味——“理论上的巨人，实践上的矮子。”他的意思是，大模型肚子里的知识够得上教授，可真到了工作现场碰上意外状况，动手水平大概只有本科生。

这话把AI for Science眼下的尴尬说得很透。预测蛋白质结构、设计候选分子，AI已经能做；规划研究任务、调度实验设备，它也开始试水。可一项发现能不能扛住真实实验的检验，最后能不能变成药物或材料产品，中间还得走完漫长又烧钱的验证路。

就在同一天，晶泰科技推出面向青年科研团队的“科学家”计划，开放产业课题、算力和自动化实验室。放到产业进程里看，AI for Science的重心正从模型比拼挪向科研现场。

01 从预测分子，到组织研究

十多年前，AI制药常被当成计算机辅助药物设计的同义词。2014年前后，晶泰科技三位物理学家出身的创始人试着用计算手段推药物研发。联合创始人、CEO马健记得，那会儿计算主要是帮科学家做分析和决策，离自主推理还差得远。

蛋白质结构预测随后带来第一轮标志性突破。2018年AlphaFold在国际蛋白质结构预测竞赛中冒头，2020年AlphaFold 2的进展让困扰生物学家长久的结构预测难题有了重大突破。到2024年，AlphaFold 3把预测范围扩展到蛋白质与其他生物分子的相互作用。过去要靠大量实验才能摸出来的结构信息，开始在计算机里更快拿到。

可知道分子长什么样，跟知道它在人体内怎么起作用，中间还隔着一大截。中国科学院上海药物研究所研究员傅青山研究HIV时就撞上这道坎。病毒包膜蛋白和人体细胞受体结合后，构象会发生剧烈变化。静态结构预测很难把这个过程讲全，他的团队还得借助液态核磁共振等实验手段，去研究此前解析不了的区域。

行业现在往下一个阶段走：不再只做单项预测，而是转向多模态理解、科学推理和跨步骤执行。

科理新序联合创始人徐明阳看到，过去重点在让模型分别读懂DNA、RNA、蛋白质这些对象；如今越来越多团队开始尝试，也要求AI给出更长的推理过程和完整研究方案。

科学智能体因此被盯上。它能调用模型、搜文献、安排计算，甚至接上实验设备。以前只擅长干单项任务的AI，开始试着接管一整段科研流程。

不过智能体的天花板仍由基础模型决定。北京大学研究员、英飞智药创始人裴剑锋判断，未来几年让AI自动调用程序辅助分子设计，或许能办到；设计出来的分子质量能不能真让人满意，还得靠长期积累。

02 最缺的，可能是失败的数据

知识储备那么大的模型，进了实验室为什么还是笨手笨脚？

马健把矛头指向数据。科学文献和专利里记的大多是成功结果，可一个成功的分子、一次有效的反应，背后也许躺着几十次乃至上千次失败尝试。这些失败结果过去很少被完整留下，实验过程中每一步的条件、判断和调整就更不用说了。

“要训练一个会做实验的AI，必须把每一个步骤、每一个节点完整、标准地记录下来。”马健说。

晶泰从2021年起布局自动化实验室，一个重要目的就是让实验过程持续产出高质量数据，包括过去容易丢掉的负样本和过程记录。

另一场圆桌上，无界进化联合创始人赵亚龙写下两个字母：B和F。他的看法是，被高估的是Benchmark（榜单成绩），被低估的是Failure（失败数据）。

模型在标准题目上领先，换到真实实验场景，照样可能不知道怎么处理污染、设备故障或者意料之外的反应。

生物医学这块尤其难。裴剑锋提醒，生物与疾病中还有大量机制未知，数据再多也补不上尚未建立的科学理论。昌平实验室科学家刘磊拿阿尔茨海默病举例：疾病可能经历长达二三十年的隐匿期，临床看到的生物标志物变化，跟真正的因果关系之间还隔着复杂距离。AI能帮忙整合和判断信息，但肯定不能只凭相关性就回答病因。

实验方法同样在变。耀速科技联合创始人叶森介绍，公司用类器官和器官芯片模拟人体组织对药物的反应，希望提升临床前试验对人体结果的预测能力。

美国FDA在今年9月对相关规定作了更新，把人类细胞、器官芯片以及计算模型等非动物手段列为药物安全性测试的可行选项——前提是情况合适。新实验技术因此有了用武之地，不过模型得出的结果仍要过严格验证这一关。

由此看来，科研下一阶段的比拼，会愈发倚重一套完整系统——它能提出假设、跑实验、把失败记下来，再据此调整。

自动化实验室的意义也在变。省人力只是其一，更关键的是产出可追溯、能拿来训练模型的科学数据。

03 “科学发现”的产业分工

技术路线逐渐明朗，产业上的分工随之浮现。

生命科学赛道里，各有各的活法：有人专攻预测与生成模型，有人做科学智能体，还有公司提供机器人、实验设备并承担湿实验验证。生意模式也在分开走，有的卖研发服务、参与药物管线合作，有的直接销售自动化设备，也有企业想把模型和实验资源捏成开放平台。

AINORO创始人邢城祎把自家公司比作连接仪器与模型的那只“手”；科理新序盯的是AI for science的基础模型，想造一个更懂科学的大脑。两家都在找自己还缺的那另一半能力。说到底，初创公司资金有限，自己搭一整套实验室并不现实。

商业化这边，已经有实打实的订单落地。

晶泰科技2026年半年报显示，上半年AI4S智能解决方案收入1.935亿元，同比增长136.4%。其自动化实验室业务已经进入跨国药企的研发流程，智能合成工作站推广到13家客户，并延伸至钙钛矿、锂电等新材料方向。

行业开始讨论把科研基础设施向更多人开放，原因也在这里。

11月14日，晶泰发布“科学家”计划：先向产业企业征集真实研发难题，再开放给青年科学家和跨学科团队。入选者最高能拿到10万元额度的科研资源服务券，用于算力、实验室及场地等服务；其北京孵化器Pixent Foundry也同步启动。首批课题计划于年底公布。

对这些团队而言，真正缺的常常是验证一次想法的机会。对平台企业而言，外部科学家提出的难题、选取的研究路径以及跑出来的实验数据，也可能反过来把模型和设施改得更好。

不过，开放科研平台能不能变成可持续的商业模式，还得看几件事：不同实验室之间的标准统不统一，设备利用率提不提得上去，科研成果的知识产权和数据权益又该怎么分。

这正是AI for Science产业与互联网软件产业的要害区别。软件任务几分钟就能测完，一项复杂的生命科学研究却要经过数年实验与临床验证。就算AI把早期研发速度提快数倍，最终的科学风险仍无法彻底消除。

毛伟岸的设想是，将来科研分工可能变成这样：人负责提出并挑选有价值的问题，求解的活儿更多交给AI。

眼下，这个目标还很远。

当天另一场圆桌讨论上，晶泰科技联合创始人赖力鹏向台上的科学家抛出了三道“是或否”的选择题。

第一道：三年之后，分子设计能否全部由AI完成？大多数嘉宾选了否。

第二道：十五年内，人类能否攻克所有疾病？嘉宾们一致给出否定答案。

第三道题一出，气氛变了：“在有生之年，我们能否看到人类平均寿命达到120岁？”

这一回，现场有人给出了肯定的回答。

长期研究衰老的张维绮解释得更审慎：随着衰老研究、疾病治疗和医疗技术的发展，人类活到120岁是有可能的；但个体寿命达到120岁，和人类平均寿命达到120岁，仍是两回事。

耀速科技联合创始人叶森是90后，他的心愿要朴实得多：外公外婆年近百岁，日子还能自己打理。他盼着自己也能跨过三个世纪、活到22世纪，亲眼瞧瞧生物学在这个世纪到底能走多远。

AI什么时候能独自把科研做完，科学家们仍不敢松口。可被问到人能不能活得更久、更健康，他们倒愿意留一份乐观。AI for Science值得期待的地方，或许就在这里。